主要观点

本文总结了作者在过去一年中使用生成式模型（如LLMs）进行编程的个人经验。作者认为，尽管LLMs有时会出错，但它们在提高编程效率方面具有显著的正面影响。作者特别强调了在编程中使用LLMs的三种方式：自动补全、搜索和聊天驱动编程。此外，作者还介绍了他们正在开发的针对Go编程的工具sketch.dev，旨在自动化这些过程。

背景

作者对新技术的探索充满兴趣，尤其是LLMs这种能够生成复杂回应的技术。作者将LLMs的出现与1995年互联网的普及相提并论，认为LLMs的潜力同样巨大。通过不断实验，作者发现LLMs在编程中能够提供实际的价值，尽管这一过程并不容易。

使用LLMs的三种方式

1. 自动补全：LLMs能够帮助完成大量的常规打字工作，显著提高编程效率。作者发现，即使现有的自动补全工具并不完美，它们仍然比不使用任何工具要好得多。
2. 搜索：在处理复杂环境时，LLMs能够提供比传统搜索引擎更准确的答案。尽管LLMs有时会出错，但它们的回答通常比通过搜索引擎找到的结果更有帮助。
3. 聊天驱动编程：这是最复杂但也最有价值的使用方式。通过聊天与LLMs交互，作者能够获得代码的初稿，尽管这些初稿可能存在错误，但修复这些错误通常比从头开始编写代码更容易。

为什么使用聊天驱动编程？

聊天驱动编程特别适合那些需要频繁切换编程环境或语言的开发者。作者提到，LLMs能够帮助他们快速生成代码初稿，尤其是在他们知道需要编写什么但缺乏精力去手动实现的情况下。LLMs能够提供代码的初稿和所需的依赖项，尽管这些初稿可能需要进一步修改。

LLMs在处理“考试式”问题时表现最佳

LLMs在处理明确的目标和背景材料时表现最好。作者建议避免让LLMs处理过于复杂和模糊的任务，因为这可能导致它们产生错误的结果。此外，作者强调，程序员在使用LLMs生成的代码时，应该先通过编译器和测试来验证代码的正确性。

代码结构的优化

LLMs的使用使得代码结构的优化变得更加容易。作者提到，随着LLMs在处理“考试式”问题时的表现越来越好，将代码分解为更小、更独立的包变得更加有利。这不仅有助于LLMs的工作，也使得代码更易于阅读和维护。

示例：编写一个浮点数四分位数的水库采样器

作者通过一个具体的示例展示了如何使用LLMs生成代码。首先，作者决定将算法放在一个独立的包中，而不是与其他算法混在一起。然后，作者通过LLMs生成了代码的初稿，尽管初稿中存在一些小错误，但通过简单的修改，代码最终能够正常工作。作者还展示了如何通过LLMs生成更复杂的测试代码，并最终生成了一个模糊测试（fuzz test）。

未来展望：更好的测试和更少的DRY原则

作者预测，随着LLMs的普及，未来的代码将更加专注于特定任务，而不是过度抽象和重用。LLMs能够帮助开发者编写更全面的测试代码，这将使得代码更加可靠。此外，作者认为，未来将会有更多的专用代码和更少的通用包，这将有助于提高代码的可读性和可维护性。

自动化这些观察：sketch.dev

作者正在开发的sketch.dev工具旨在为Go编程提供一个专门的环境，帮助开发者更有效地使用LLMs。该工具的目标是自动化代码生成、编译和测试的过程，使得LLMs能够更高效地工作。作者认为，专注于特定编程环境的工具将比通用的工具更加有效。

总结

作者通过一年的实践，发现LLMs在编程中具有显著的正面影响，尤其是在自动补全、搜索和聊天驱动编程方面。尽管LLMs有时会出错，但它们的帮助使得编程效率大幅提升。作者正在开发的sketch.dev工具旨在进一步自动化这些过程，帮助开发者更高效地使用LLMs。